科大讯飞 ra mắt API mô hình nền tảng giọng nói nguyên bản SparkAudio 1.0
科大讯飞 đã ra mắt dịch vụ API cho mô hình nền tảng giọng nói nguyên bản SparkAudio 1.0 trên Nền tảng mở iFlytek, hỗ trợ đầu vào dạng văn bản và giọng nói cùng đầu ra dạng văn bản. Mô hình cung cấp khả năng xử lý trực tiếp từ âm thanh sang ý nghĩa trên 99 ngôn ngữ và 202 phương ngữ. Việc phát hành này đánh dấu sự chuyển dịch từ các hệ thống giọng nói ghép nối truyền thống sang các mô hình nền tảng âm thanh nguyên bản có thể xử lý trực tiếp âm điệu, cảm xúc và âm thanh nền mà không bị mất thông tin. Nó cung cấp cho các nhà phát triển một nền tảng trí tuệ giọng nói tự chủ và có thể kiểm soát được, được huấn luyện hoàn toàn trên năng lực tính toán trong nước. SparkAudio 1.0 hỗ trợ các tác vụ như chuyển đổi giọng nói thành văn bản, dịch đa ngôn ngữ, nhận diện phương ngữ, hiểu âm thanh môi trường, tách biệt người nói, phân tích cảm xúc và hỏi đáp âm thanh. Mô hình này được huấn luyện bằng năng lực tính toán trong nước và hiện có thể truy cập thông qua các điểm cuối API chính thức.
## KIẾN THỨC NỀN
Các hệ thống xử lý giọng nói truyền thống thường sử dụng phương pháp ghép nối, trong đó chuyển đổi giọng nói thành văn bản trước khi đưa vào mô hình ngôn ngữ, điều này làm mất đi các tín hiệu phi ngôn ngữ quan trọng như giọng điệu và tiếng ồn nền. Ngược lại, các mô hình nền tảng giọng nói nguyên bản xử lý trực tiếp tín hiệu âm thanh để nắm bắt ngữ nghĩa, cảm xúc và bối cảnh môi trường cùng một lúc.